一种结合货车任务状态的厂区道路拥堵预测方法及预测系统技术方案

本发明专利技术公开了一种结合货车任务状态的厂区道路拥堵预测方法，本发明专利技术方法根据货车装卸任务状态信息对每辆货车进行编码，再通过融合每条道路上所有行驶货车的编码获得该条道路的交通信息编码。随后，构建时空注意力模块，以前述步骤获得的历史时段的道路交通信息编码作为输入，分析未来时段各条道路的交通编码信息。同时，分析历史时段内每种任务状态转换时货车在厂区道路的位置分布变化，利用CNN和LSTM的组合模型获取未来时段每种任务状态转换时货车在厂区道路的位置分布。然后，通过使用残差层将任务状态转换时的货车分布信息与所获得的道路交通编码相融合，最后采用多层全连接神经网络将每条道路的交通编码信息解码为每条道路的拥堵情况。为每条道路的拥堵情况。为每条道路的拥堵情况。

【技术实现步骤摘要】
一种结合货车任务状态的厂区道路拥堵预测方法及预测系统


[0001]本专利技术属于数据挖掘
，涉及一种基于货车任务状态的厂区周边道路拥堵预测方法及预测系统。

技术介绍

[0002]随着经济的不断发展，大宗货运需求激增。大型制造企业的厂区道路与物流园区道路的交通拥堵不仅降低了物流效率，还对其周边道路的交通状况产生了严重影响。传统的城市道路交通拥堵预测方法重点关注时空因素造成的道路交通状况变化，未考虑货车任务状态对道路交通状况带来的影响。为保证大宗货运的高效率，亟需对厂区(或园区)重点道路区域(即货车频繁通行的道路)的交通拥堵情况进行预测。
[0003]城市道路拥堵预测方法可大致分为三类：第一类是采用传统机器学习(例如ARIMA、卡尔曼滤波等)提取特征来预测道路拥堵情况，该类方法通常对交通数据有较强假设(例如货车的到达分布)，然而，实际的道路交通具有复杂的动态变化特性，因此，这类方法并未得到广泛应用。第二类是基于深度学习提取潜在特征的道路拥堵检测，该类方法将路网中行驶的所有货车作为整体对待，不会单独分析各条道路中每辆货车的移动趋势，因此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合货车任务状态的厂区道路拥堵预测方法，其特征在于，该方法包括以下具体步骤：步骤1、通过地图匹配获得不同时刻下货车所在的道路位置信息，并将历史货运数据预处理及分析后，提取不同时段各条道路，即不同时空状态下行驶货车的任务状态信息；步骤2、基于步骤1中获得的任务状态信息，对时空特征及道路交通状态进行编码；步骤3、根据单位时段内待检测路网中不同任务状态转换分布特征及不同时段内任务状态分布特征的序列变化规律，获得未来时段的货车任务状态转换分布编码；步骤4、通过时空注意力模块分析每条道路上交通编码的时序变化规律和其他道路对当前道路交通编码的影响，得到未来时段的道路交通编码；步骤5、通过融合步骤3中获得的未来时段的货车任务状态转换分布编码和步骤4中获得的未来时段的道路交通编码，实现未来道路交通编码增强；步骤6、对未来更长时段内的道路拥堵情况采用串行迭代方式进行预测；步骤7、将步骤5中获得的增强后的未来道路交通编码进行解码运算，输出预测的未来时段不同道路的拥堵情况，利用交叉熵损失函数更新模型，保存损失函数值最小的模型；步骤8、将目标预测时段、历史时段内货车的任务状态信息和拥堵情况输入到训练好的模型中，得到目标预测时段内待测路网中各条道路的拥堵预测结果。2.如权利要求1所述的预测方法，其特征在于，步骤1中，所述地图匹配是指将货车的轨迹数据与待检测路网进行地图匹配，获得不同时刻下货车所在的道路位置信息；所述待检测路网是指厂区道路区域；所述历史货运数据来自于真实数据集，包括每条道路上的货车任务状态信息、货车轨迹数据、所在道路拥堵情况；所述对数据的预处理包括异常值处理、数据去重、数据归一化、非拥堵区域道路过滤；所述对数据的分析操作包括特征重要性分析、数据分布情况分析与数据变化趋势分析；所述任务状态信息包括货车当前的任务阶段、货车的目的仓库、货车进出厂的目标大门、当前任务阶段开始时间。3.如权利要求2所述的预测方法，其特征在于，预处理环节中，所述地图匹配是指将货车的轨迹数据与待检测路网中的具体道路进行匹配，判断货车是否在待检测路段集合中；所述异常值处理是指剔除错误的任务状态信息、剔除地图匹配时有问题的车辆轨迹数据；所述数据去重是指剔除重复的任务状态信息；所述数据归一化是指对历史道路拥堵情况在输入模型时进行归一化操作；所述非拥堵区域道路过滤是指数据预处理后仅保留由于执行装卸任务的货车频繁进出，导致极易拥堵的道路；所述特征重要性分析是指分析道路上货车的任务状态信息对于道路拥堵情况的影响；所述数据分布情况分析是指分析不同任务状态更新时货运数据在待检测路段上的分布情况；所述数据变化趋势分析，是指分析历史时间段内每条道路上处于不同任务状态更新过程中的货车数量分布。4.如权利要求1所述的预测方法，其特征在于，步骤2中，所述对时空特征进行编码包括对时间维度特征的编码和对空间维度特征的编码；
对于时间维度特征的编码，先将每天按照固定时间步U进行划分，记录当前时段所属的在一天内的划分组索引并通过embedding嵌入层将其编码为同时记录当前时段所在周的索引并通过embedding嵌入层编码为将二者相加得到时间信息编码对于空间维度特征的编码，指不同时段内道路之间的交通关联度，通过统计历史时段内任意两条道路之间货车的流通量并将其作为道路间的交通关联度，利用node2vec对道路间的交通关联度进行编码得到空间信息编码τ
sv
；对于时空编码信息的获取，通过将得到的时间信息编码τ
tv
和空间信息编码τ
sv
相加τ＝τ
tv
+τ
sv
获得最终的时空特征编码。5.如权利要求1所述的预测方法，其特征在于，步骤2中，对于道路交通状态编码的获取，分别采用单独的embedding嵌入层对各条道路上行驶的每辆货车的任务状态信息进行编码得到货车的基础任务状态向量s，并整合成一个基础任务状态向量矩阵Λ，随后基础任务状态向量s与时间信息编码τ
tv
连接得到货车的任务状态信息编码s`＝f
s
(s||τ
tv
)；将道路上所有货车的任务状态信息编码相加得到该道路的道路任务状态编码其中C表示道路上的货车总数，c表示道路上某一辆货车，最后将道路任务状态编码S与对应道路的历史拥堵情况X进行融合得到该道路的交通状态编码Γ＝f
Γ
(S||X)。6.如权利要求1所述的预测方法，其特征在于，步骤3中，通过分析历史货车在进行任务状态转换时的所在道路，统计单位时段内每条道路具有相同类型任务状态货车数，从而得到在不同单位时段内每条道路上任务状态转换货车的数量分布χ；提取单位时段内待检测路网中不同任务状态转换分布特征，随后分析不同时段内任务状态分布特征的序列变化规律，最终获得未来时段的货车任务状态转换分布编码。7.如权利要求6所述的预测方法，其特征在于，先通过构建卷积神经网络CNN模型对单位时段内待检测路网中的不同道路进行分组，分析每组道路包含的任务状态转换下的货车数分布信息，再将分析结果转换成基于时间序列的信息编码...

【专利技术属性】
技术研发人员：赵威，毛嘉莉，吕星仪，周傲英，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：